利用机器学习改善医院病人流程的三个关键

本报告基于2019年医疗保健分析峰会上由Michael Thompson，预测分析硕士，cedals - sinai医疗中心企业数据情报执行董事名为“用预测分析改善医院流程的新方法”。

医疗保健系统面临的一个永无休止的挑战是管理医院的患者流动，即患者从入院到出院的流动。如果得不到有效管理，患者流动可能对整个卫生系统产生负面连锁反应:

• 病人被“登”在急诊科(ED)，等待被送进医院的病床，拖延病人接受适当的治疗，和错误的病人占用急诊科的空间。
• 急诊科拥挤增加了未就诊患者和等待时间。
• 如果没有必要，病人可以在术后恢复室过夜。
• ICU在24小时内重新入院。
• 手术延迟或取消。
• 医生、护士和工作人员超负荷工作，导致工作倦怠。
• 延误根据病人的临床情况转到适当的单位和病人出院，降低吞吐量。

高效的医院患者流可以让新入院的患者在进入医院后立即到达正确的地点，让现有的患者无缝地过渡到正确的科室，让准备出院的患者尽可能少地延迟出院。当医院有效地管理医院的患者流时，卫生系统和患者赢得的医院不会让患者停留超过必要的时间，患者在医院停留的时间最少，为需要护理的新患者腾出空间。

利用机器学习改善医院病人流程

医疗系统改善医院患者流程的一种方法是通过机器学习(ML)。由于医院的患者流程非常复杂，而且充满了活动部件，ML提供了基于近实时数据的预测模型，以帮助决策者掌握医院的患者流程信息。

例如，一个学术医疗中心创建了一个ML管道，利用其所有数据——病人数据、EHR数据、临床和索赔数据——来预测住院时间、急诊室(ED)到达、ED入院、总出院人数和总床位普查。该预测模型被证明是有效的，因为医疗中心减少了患者等待时间和工作人员加班，并改善了患者的结果以及患者和临床医生的满意度。

ML针对无效的医院病人流量问题

ML是改善医院患者流量、减轻医院容量紧张负担的有效工具。ML的目标不仅是创建预测模型，而且是最终改善，在某些情况下修复，由糟糕的医院患者流动带来的挑战:

• 减少对常规增兵计划的需求。
• 防止急诊科分流及过度拥挤。
• 消除外科手术、治疗和住院治疗的高等待时间和延误。
• 改善员工时间表以适应需求，同时减少过度加班。
• 根据病人的临床情况增加住院病人的数量。
• 利用案例管理策略来减少异常患者的住院时间。
• 改进流量和床容量管理计划。

ML成功的三个关键

关键一:组建数据科学团队

引入数据科学需要最高层强有力的领导支持。向行政领导介绍数据科学的价值，并在卫生系统内对所有数据分析采取集中方法，为数据科学的成功创造了环境。有了高层的支持和一个数据科学团队，数据科学家已经准备好与其他部门合作，将数据转化为情报，从而更好地做出决策。

关键字2:创建ML管道聚合所有数据源。

为了利用卫生系统可用的所有数据，数据科学团队应该创建一个聚合数据的端到端ML管道(图1)。管道应该包括所有数据源、存储、转换和建模以及可视化组件。ML管道包含每个数据源是至关重要的，因为如果数据不准确或不能提供完整的图像，预测模型将无法识别正确的机会区域，从而导致工作浪费。

为了让ML管道更友好，让其他团队成员不那么害怕，数据科学领导者应该考虑用“Alex”这样的人类名字来称呼数据管道，而不是“机器学习”。使用通用名称可以帮助团队成员专注于预测模型的洞察力，而不是来自于机器的洞察力。

关键三:组建全面的领导团队来治理数据。

ML成功的另一个重要因素是包括其他部门的领导。这有两个好处:1。它确保了在讨论卫生系统内的数据科学策略时的多角度;它有助于从整个组织的各个部门获得对数据科学的支持。例如，一个全面的领导团队可以包括来自手术、护理、患者满意度、病例管理和提供者/临床医生等部门的领导者，这样数据科学团队就可以在其他部门开发数据科学的冠军。创建非数据科学团队成员的数据科学倡导者，可以使数据科学的实施更有可能取得成功，并帮助团队成员在看到他们已经信任的领导者时更加信任和支持它。

反向测试模型是获得ML支持的关键

实现对ML的长期制度支持的另一个重要步骤是回溯测试模型的重要性——与团队成员会面，向他们展示与实际发生的情况相比，模型的表现有多好。反向测试模型增加了透明度，并为团队成员设定了关于预测模型的现实预期——它们并不完美。

与团队一起审查模型的准确性也可能促进头脑风暴的讨论，从而引出新模型的想法或关于模型为什么不准确的其他解释。这些替代解释可以为模型的下一次迭代提供洞察，进一步提高准确性。

在与团队成员讨论ML模型时，另一个有价值的实践是使用各种模型，并比较哪些模型是最准确的。比较可以帮助团队成员了解不同的模型具有不同程度的准确性，并且没有一个模型是百分百准确的。

要求团队成员分享他们对机器学习发现的想法(通常以图表形式显示)，让团队成员有机会与模型互动。而不是听数据分析师报告的发现，他们有机会与互动数据参与数据科学的过程。

在细化模型的过程中，领导和团队成员会投入到模型中，提供改进建议(比如添加新的数据变量)，并最终拥有模型。这是增加对数据科学的参与和支持的一个战略，从而导致数据民主化。

提醒比日常邮件更有效

对于数据科学团队来说，每天传播来自预测模型的信息是很有诱惑力的。日常信息的问题在于，高管们会产生数据疲劳——每天看到相同的电子邮件，但数字略有不同，这让他们很难专注于这些数字的含义，最终往往会忽略这些电子邮件。

为了防止数据疲劳，但仍然有效地将预测模型的发现传达给行政领导，数据科学团队可以以警报的形式发送信息(图2)。例如，当未来三天中的某一天的警报级别很高或非常高时，警报就会被触发——这是由卫生系统的领导团队设置的条件，因此他们只有在觉得有必要时才会收到通知。

ML与专业知识的结合改善了医院的病人流量

医院的病人流动问题不是单个部门的问题，而是整个卫生系统都应该努力克服的问题。为了有效地改善医院的患者流量，运营和临床领导者必须从一开始就参与进来，以认识到数据科学的价值。

数据科学团队有责任使数据民主化，确保各级决策者都能获得数据。然而，访问数据并不意味着对数据的解释将是统一的。数据科学团队应该首先为领导者配备易于理解的模型，并与他们密切合作，直到他们感到舒适，慢慢建立他们的分析能力。

数据科学的敏捷方法允许领导者体验数据，而不仅仅是审查数据。ML中的敏捷性是至关重要的，因为在每次模型迭代中，来自临床医生或行政领导的参与会增加他们的理解，从而提高预测模型的准确性。此时，整个组织的领导者都在参考数据，然后利用数据做出决策。

ML模型可以改善医院的患者流量，但只有当领导通过建议新的变量考虑在预测模型中增加有价值的观点时，才能有效地做到这一点。当ML和忠诚的团队成员聚集在一起时，ML更准确，因为它对卫生系统的需求、时间表、保险计划，以及最重要的患者都很敏感。

更多的阅读

你想了解更多关于这个话题吗?以下是我们建议的一些文章:

1. 面向临床用户的有意义的机器学习可视化:一个框架
2. 人工智能在医疗保健领域:更快找到正确答案
3. 人工智能辅助决策:医疗保健的下一个前沿
4. 机器学习工具解锁非结构化健康数据中最关键的见解
5. 数据驱动的系统方法改善急诊护理

---

幻灯片

你想使用或分享这些概念吗?下载突出重点的演示文稿。

按此下载幻灯片

利用机器学习改善医院病人流程的三个关键从世界杯葡萄牙vs加纳即时走地